Ứng Dụng Python Trong Dự Đoán Giá Cổ Phiếu Công Ty Cổ Phần Chứng Khoán SSI

Phân tích dữ liệu kinh tế là một lĩnh vực quan trọng trong việc đưa ra quyết định đầu tư. 69 trang · Học viện Chính sách và Phát triển · 2023.

• Tác giả: Nguyễn Ngọc Thy
• Người hướng dẫn: TS. Nguyễn Hữu Xuân Trường
• Trường học: Học viện Chính sách và Phát triển
• Chuyên ngành: Phân tích dữ liệu trong kinh tế và kinh doanh
• Đề tài: Ứng Dụng Python Trong Xây Dựng Mô Hình Dự Đoán Giá Cổ Phiếu Công Ty Cổ Phần Chứng Khoán SSI
• Loại tài liệu: khóa luận tốt nghiệp
• Năm xuất bản: 2023
• Địa điểm: Hà Nội

Mục lục chi tiết

• LỜI CẢM ƠN
• 1. CHƯƠNG 1: CƠ SỞ LÍ THUYẾT CỦA ĐỀ TÀI NGHIÊN CỨU
• 1.1. Những vấn đề cơ bản về chứng khoán
• 1.1.1. Khái niệm chứng khoán
• 1.1.2. Phân loại chứng khoán
• 1.2. Tổng quan về thị trường chứng khoán
• 1.2.1. Khái niệm thị trường chứng khoán
• 1.2.2. Vai trò của thị trường chứng khoán
• 1.2.3. Phân loại thị trường chứng khoán
• 1.3. Giới thiệu phần mềm Python
• 1.3.1. Ngôn ngữ lập trình Python là gì?
• 1.3.2. Ưu và nhược điểm của ngôn ngữ lập trình Python
• 1.3.3. Ứng dụng của ngôn ngữ lập trình Python
• 1.4. Các thuật toán mô hình sử dụng phân tích giá cổ phiếu chứng khoán
• 1.4.1. Mô hình hồi quy tuyến tính
• 1.4.2. Mô hình LSTM
• 1.4.3. Mô hình cây quyết định
• 2. CHƯƠNG 2: XÂY DỰNG MÔ HÌNH PHÂN TÍCH VÀ DỰ ĐOÁN GIÁ CHỨNG KHOÁN CỦA CÔNG TY CỔ PHẦN SSI
• 2.1. Giới thiệu về công ty cổ phần SSI
• 2.1.1. Thông tin chung về công ty
• 2.1.2. Quá trình hình thành phát triển
• 2.1.3. Cơ cấu tổ chức
• 2.2. Thực trạng mã cổ phiếu chứng khoán SSI
• 2.2.1. Mô tả yêu cầu bài toán
• 2.2.2. Các trường thông tin của bài toán
• 2.2.3. Phân tích dữ liệu bài toán
• 2.2.4. Mô tả và xử lí dữ liệu
• 2.2.5. Trực quan hóa dữ liệu
• 2.2.6. Chạy mô hình
• 2.2.7. Đánh giá mô hình
• 3. CHƯƠNG 3: ĐÁNH GIÁ THỰC TRẠNG VÀ ĐỀ XUẤT MỘT SỐ GIẢI PHÁP NÂNG CAO HIỆU QUẢ GIÁ CHỨNG KHOÁN
• 3.1. Kết quả đạt được
• 3.2. Tồn tại hạn chế
• 3.3. Hướng phát triển
• 3.4. Đề xuất một số giải pháp nâng cao hiệu quả giá chứng khoán
• 3.4.1. Hoàn thiện khung pháp lý cho thị trường chứng khoán, công ty SSI
• 3.4.2. Phát triển hoạt động bảo lãnh tư vấn
• 3.4.3. Đưa thêm các sản phẩm mới, các dịch vụ mới vào giao dịch
• 3.4.4. Thu hút các tài khoản đầu tư chứng khoán nước ngoài
• 3.4.5. Tăng cung hàng hóa cho thị trường, cải thiện chất lượng nguồn cung
• 3.4.6. Phát triển và đa dạng hóa cơ sở nhà đầu tư
• 3.4.7. Hiện đại hóa hạ tầng, công nghệ thông tin và cải cách thủ tục hành chính cho TTCK
• 3.4.8. Nâng cao chất lượng nguồn nhân lực để đáp ứng yêu cầu phát triển bền vững TTCK
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng Quan Về Phân Tích Dữ Liệu Kinh Tế Bằng Python

Phân tích dữ liệu kinh tế là một lĩnh vực quan trọng trong việc đưa ra quyết định đầu tư. Việc sử dụng Python cho phân tích dữ liệu giúp tối ưu hóa quy trình này. Python không chỉ dễ học mà còn mạnh mẽ trong việc xử lý và phân tích dữ liệu lớn. Đặc biệt, trong bối cảnh thị trường chứng khoán, Python trở thành công cụ hữu ích để dự đoán giá cổ phiếu.

1.1. Khái Niệm Phân Tích Dữ Liệu Kinh Tế

Phân tích dữ liệu kinh tế liên quan đến việc thu thập và xử lý thông tin để đưa ra quyết định. Các phương pháp phân tích này giúp nhà đầu tư hiểu rõ hơn về xu hướng thị trường và giá cổ phiếu.

1.2. Tại Sao Nên Sử Dụng Python Trong Phân Tích Dữ Liệu

Python cung cấp nhiều thư viện mạnh mẽ như Pandas, NumPy và Matplotlib, giúp dễ dàng xử lý và trực quan hóa dữ liệu. Điều này làm cho Python trở thành lựa chọn hàng đầu cho các nhà phân tích tài chính.

II. Thách Thức Trong Dự Đoán Giá Cổ Phiếu SSI

Dự đoán giá cổ phiếu không phải là một nhiệm vụ đơn giản. Thị trường chứng khoán thường xuyên biến động và chịu ảnh hưởng bởi nhiều yếu tố. Việc hiểu rõ các thách thức này là rất quan trọng để xây dựng mô hình dự đoán hiệu quả.

2.1. Biến Động Thị Trường Và Tâm Lý Nhà Đầu Tư

Thị trường chứng khoán thường xuyên biến động do nhiều yếu tố như tin tức kinh tế, chính trị và tâm lý nhà đầu tư. Những yếu tố này có thể ảnh hưởng lớn đến giá cổ phiếu SSI.

2.2. Thiếu Dữ Liệu Chất Lượng

Một trong những thách thức lớn trong phân tích dữ liệu là thiếu dữ liệu chất lượng. Dữ liệu không chính xác hoặc không đầy đủ có thể dẫn đến những dự đoán sai lầm.

III. Phương Pháp Dự Đoán Giá Cổ Phiếu SSI Bằng Python

Có nhiều phương pháp khác nhau để dự đoán giá cổ phiếu. Việc lựa chọn phương pháp phù hợp là rất quan trọng để đạt được kết quả chính xác. Python cung cấp nhiều công cụ để xây dựng các mô hình dự đoán này.

3.1. Mô Hình Hồi Quy Tuyến Tính

Mô hình hồi quy tuyến tính là một trong những phương pháp đơn giản nhưng hiệu quả để dự đoán giá cổ phiếu. Phương pháp này giúp xác định mối quan hệ giữa giá cổ phiếu và các yếu tố ảnh hưởng.

3.2. Mô Hình LSTM Trong Dự Đoán Giá

Mô hình LSTM (Long Short-Term Memory) là một loại mạng nơ-ron hồi tiếp, rất hiệu quả trong việc dự đoán chuỗi thời gian. Mô hình này có khả năng ghi nhớ thông tin lâu dài, giúp cải thiện độ chính xác trong dự đoán giá cổ phiếu.

IV. Ứng Dụng Thực Tiễn Của Mô Hình Dự Đoán Giá Cổ Phiếu SSI

Việc áp dụng các mô hình dự đoán giá cổ phiếu vào thực tiễn có thể mang lại nhiều lợi ích cho nhà đầu tư. Các mô hình này không chỉ giúp dự đoán giá mà còn hỗ trợ trong việc ra quyết định đầu tư.

4.1. Đánh Giá Hiệu Quả Của Mô Hình

Đánh giá hiệu quả của mô hình dự đoán là rất quan trọng. Các chỉ số như độ chính xác, độ tin cậy và khả năng dự đoán sẽ giúp nhà đầu tư hiểu rõ hơn về mô hình.

4.2. Tích Hợp Mô Hình Vào Quy Trình Đầu Tư

Việc tích hợp mô hình dự đoán vào quy trình đầu tư giúp nhà đầu tư có thể đưa ra quyết định nhanh chóng và chính xác hơn. Điều này có thể tạo ra lợi thế cạnh tranh trên thị trường.

V. Kết Luận Về Dự Đoán Giá Cổ Phiếu SSI Bằng Python

Dự đoán giá cổ phiếu SSI bằng Python là một lĩnh vực đầy tiềm năng. Việc áp dụng các mô hình phân tích dữ liệu không chỉ giúp cải thiện độ chính xác trong dự đoán mà còn hỗ trợ nhà đầu tư trong việc ra quyết định.

5.1. Tương Lai Của Phân Tích Dữ Liệu Kinh Tế

Tương lai của phân tích dữ liệu kinh tế sẽ ngày càng phát triển với sự hỗ trợ của công nghệ. Các mô hình dự đoán sẽ trở nên chính xác hơn nhờ vào sự phát triển của trí tuệ nhân tạo.

5.2. Khuyến Nghị Cho Nhà Đầu Tư

Nhà đầu tư nên áp dụng các mô hình dự đoán vào quy trình đầu tư của mình. Việc này không chỉ giúp tối ưu hóa lợi nhuận mà còn giảm thiểu rủi ro.

Nội dung chính

Bối cảnh và vấn đề nghiên cứu

Thị trường chứng khoán (TTCK) đóng vai trò là kênh dẫn vốn trung và dài hạn quan trọng của nền kinh tế quốc dân. Sự vận hành hiệu quả của thị trường phụ thuộc chặt chẽ vào năng lực của các định chế tài chính trung gian, trong đó các công ty chứng khoán (CTCK) giữ vị trí nòng cốt trong việc cung cấp thông tin, dữ liệu giao dịch và dịch vụ môi giới. Trải qua hơn 20 năm phát triển tại Việt Nam, số lượng CTCK từng tăng từ 7 công ty lên mức đỉnh điểm 105 công ty, nhưng sau quá trình thanh lọc khắc nghiệt đã giảm xuống còn 74 công ty đang hoạt động.

Sự biến động phức tạp và các đợt sụt giảm sâu của thị trường xuất phát từ sáu nguyên nhân chính được tác giả tổng hợp:

1. Thị trường bước vào chu kỳ điều chỉnh sau hơn 2 năm tăng trưởng nóng, chịu tác động từ lạm phát toàn cầu, rủi ro suy thoái và chính sách tiền tệ thắt chặt.
2. Ngân hàng Trung ương các nước liên tục tăng lãi suất, gia tăng áp lực thanh khoản, nợ xấu tiềm ẩn và thu hẹp thị trường xuất khẩu.
3. Dòng tiền sụt giảm mạnh do các gói hỗ trợ kết thúc và điều kiện tín dụng quốc tế bị thắt chặt.
4. Áp lực bán giải chấp (margin call) tăng cao khi giá cổ phiếu giảm sâu, buộc nhà đầu tư hạ tỷ lệ đòn bẩy để bảo đảm an toàn danh mục.
5. Niềm tin thị trường suy giảm trước các vụ việc xử lý vi phạm pháp luật, khởi tố lãnh đạo doanh nghiệp bất động sản - chứng khoán và sự lan truyền tin đồn thất thiệt.
6. Tâm lý đám đông chi phối mạnh mẽ do cơ cấu nhà đầu tư cá nhân chiếm tới 80% giao dịch toàn thị trường và nắm giữ 33% lượng trái phiếu doanh nghiệp (so với 5% tại Ấn Độ và 1% tại Hàn Quốc), dẫn đến hiện tượng chuyển dịch trạng thái cực đoan giữa hưng phấn quá mức và bi quan quá đà.

Trong bối cảnh đó, Công ty Cổ phần Chứng khoán SSI là một trong những định chế tài chính đầu ngành. Việc ứng dụng công cụ tính toán hiện đại để phân tích và dự báo biến động giá cổ phiếu SSI trở thành yêu cầu thiết thực cho cả nhà đầu tư lẫn các chuyên viên tư vấn.

Mục tiêu nghiên cứu:

1. Hệ thống hóa cơ sở lý luận về thị trường chứng khoán, các mô hình phân tích định lượng và ngôn ngữ lập trình Python.
2. Xây dựng quy trình xử lý dữ liệu và thiết lập các mô hình học máy, học sâu nhằm phân tích, dự đoán giá cổ phiếu SSI.
3. Thực nghiệm, so sánh độ chính xác và đánh giá hiệu quả của các mô hình dự báo trên dữ liệu thực tế.

Đối tượng và phạm vi nghiên cứu:

• Đối tượng nghiên cứu: Các mô hình dự đoán giá chứng khoán áp dụng trên cổ phiếu SSI.
• Phạm vi nội dung: Ứng dụng ngôn ngữ Python và các thuật toán Hồi quy tuyến tính, Cây quyết định (Decision Tree), Mạng nơ-ron hồi quy bộ nhớ dài - ngắn (LSTM) trong bài toán dự báo giá đóng cửa.
• Phạm vi thời gian và dữ liệu: Dữ liệu chuỗi thời gian giá cổ phiếu SSI trong giai đoạn 10 năm từ ngày 01/12/2012 đến ngày 01/12/2022 (bao gồm 2.493 quan sát).

---

Cơ sở lý thuyết và phương pháp

Khóa luận thiết lập nền tảng nghiên cứu dựa trên sự kết hợp giữa khung pháp lý, lý thuyết tài chính và các thuật toán học máy xử lý dữ liệu chuỗi thời gian.

Khung lý thuyết và căn cứ pháp lý

• Khung pháp lý chứng khoán: Tác giả căn cứ theo Điều 4 Luật Chứng khoán 2019 để phân loại các công cụ tài chính gồm: cổ phiếu, trái phiếu, chứng chỉ quỹ, chứng quyền, chứng quyền có bảo đảm, quyền mua cổ phần, chứng chỉ lưu ký và chứng khoán phái sinh; đồng thời xác lập 3 đặc tính cơ bản của chứng khoán là tính sinh lời, tính thanh khoản và tính rủi ro.
• Lý thuyết cấu trúc thị trường: Phân định thị trường theo các tiêu chí: thị trường sơ cấp - thứ cấp; thị trường tập trung (Sở giao dịch) - phi tập trung (OTC); thị trường cổ phiếu - trái phiếu; thị trường giao ngay - kỳ hạn - tương lai.

Công cụ và hệ sinh thái thư viện lập trình

Nghiên cứu sử dụng ngôn ngữ lập trình Python (do Guido van Rossum phát triển từ năm 1991) cùng các thư viện chuyên dụng trong khoa học dữ liệu:

• Thư viện tính toán và cấu trúc dữ liệu: NumPy, Pandas.
• Thư viện khoa học và thống kê: SciPy.
• Thư viện trực quan hóa: Seaborn, IPython.
• Thư viện học máy và học sâu: Scikit-learn, TensorFlow, Keras.

                         [ Tiền xử lý & Chuẩn hóa ]

Phương pháp nghiên cứu và nguồn dữ liệu

• Nguồn dữ liệu: Dữ liệu lịch sử giao dịch mã SSI niêm yết tại Sở Giao dịch Chứng khoán TP. Hồ Chí Minh (HOSE) được trích xuất từ nguồn trang Cổ phiếu 68 (https://www.cophieu68.vn).
• Phương pháp thu thập và xử lý: Thu thập 2.493 bản ghi không có giá trị khuyết thiếu. Cấu trúc bộ dữ liệu bao gồm 6 trường thông tin:

Tên biến	Loại dữ liệu	Vai trò trong mô hình	Nội dung
Date	Object	Định danh thời gian	Ngày giao dịch cổ phiếu SSI
Open	Float (số thực)	Biến độc lập	Giá mở cửa trong phiên
High	Float (số thực)	Biến độc lập	Mức giá cao nhất trong phiên
Low	Float (số thực)	Biến độc lập	Mức giá thấp nhất trong phiên
Volume	Integer (số nguyên)	Biến độc lập	Tổng khối lượng cổ phiếu giao dịch
Close	Float (số thực)	Biến phụ thuộc	Mức giá đóng cửa của phiên

• Phương pháp phân tích định lượng:
  • Mô hình Hồi quy tuyến tính (Linear Regression): Lập phương trình tuyến tính thể hiện mối quan hệ giữa biến phụ thuộc $Y$ (giá đóng cửa) và các biến độc lập $X$. Đánh giá qua các giả định về quan hệ tuyến tính, tính chuẩn của phần dư, phần dư độc lập và phương sai không đổi.
  • Mô hình Cây quyết định (Decision Tree): Tiếp cận lý thuyết từ giải thuật ID3 của Ross Quinlan và các biến thể C4.5, CART, CHAID, MARS.
  • Mô hình LSTM (Long Short-Term Memory): Mạng nơ-ron hồi quy đặc biệt xử lý phụ thuộc xa thông qua trạng thái tế bào ($C_t$) và 3 tầng cổng: cổng quên (Forget Gate dùng hàm sigmoid $\sigma$), cổng vào (Input Gate kết hợp hàm sigmoid $\sigma$ và tanh), cổng ra (Output Gate kết hợp hàm sigmoid và tanh).

---

Nội dung chính theo từng chương

Chương 1: Cơ sở lí thuyết của đề tài nghiên cứu

Chương 1 hệ thống hóa lý luận cơ bản về thị trường chứng khoán và cơ sở toán học của các thuật toán phân tích dữ liệu:

• Phân tích chức năng kinh tế của TTCK: kênh huy động vốn đầu tư xã hội, tạo môi trường thanh khoản, phản ánh sức khỏe doanh nghiệp và làm công cụ hỗ trợ điều hành chính sách vĩ mô.
• Đánh giá ưu điểm (cú pháp trực quan, mã nguồn mở, hệ sinh thái phong phú) và nhược điểm (tốc độ thực thi thông dịch, chiếm dụng bộ nhớ) của Python trong môi trường dữ liệu tài chính.
• Chi tiết hóa cấu tạo toán học của mạng LSTM: phương trình cập nhật trạng thái ô nhớ cũ $C_{t-1}$ sang ô nhớ mới $C_t$ thông qua tích số với cổng quên $f_t$ và giá trị cập nhật từ cổng vào $i_t \times \tilde{C}_t$, khắc phục hạn chế mất mát đạo hàm (vanishing gradient) của mạng RNN truyền thống.

Chương 2: Xây dựng mô hình phân tích và dự đoán giá chứng khoán của công ty cổ phần SSI

Chương 2 trình bày toàn bộ quá trình thu thập, thăm dò dữ liệu và xây dựng mô hình thực nghiệm:

• Thực trạng Công ty SSI: Thành lập tháng 12/1999, vốn điều lệ tăng trưởng hơn 2.400 lần sau hơn 22 năm hoạt động. Mã SSI giao dịch trên sàn HOSE; mức giá ghi nhận ngày 01/12/2022 là 18.000 đồng/cổ phiếu; mức giá đỉnh lịch sử đạt 50.000 đồng/cổ phiếu vào ngày 30/11/2021; biên độ biến động trần/sàn trong ngày cao nhất ghi nhận 52.690 đồng với khối lượng giao dịch đạt 23 triệu đơn vị.
• Trực quan hóa dữ liệu: Ma trận biểu đồ phân tán xác nhận mối quan hệ tương quan tuyến tính chặt chẽ giữa giá đóng cửa (Close) với các biến giá mở cửa (Open), giá cao nhất (High) và giá thấp nhất (Low).
• Thực nghiệm mô hình Hồi quy tuyến tính:
  • Bộ dữ liệu phân chia theo tỷ lệ 70% huấn luyện (Train) và 30% kiểm thử (Test).
  • Áp dụng kỹ thuật chuẩn hóa StandardScaler.
  • Kết quả mô hình đạt hệ số xác định $R^2 = 1$, sai số bình phương trung bình căn bậc hai (RMSE) đạt $0.21$, hệ số chặn bằng $13$.
• Thực nghiệm mô hình LSTM:
  • Chuẩn hóa chuỗi dữ liệu giá đóng cửa bằng hàm MinMaxScaler.
  • Thiết lập chuỗi trượt thời gian với độ dài 50 ngày liên tục (Lookback window = 50) làm biến đầu vào $X$ để dự báo giá đóng cửa của ngày tiếp theo $Y$.
  • Tập dữ liệu được phân chia 1.000 mẫu đầu cho tập Train và 1.000 mẫu sau cho tập Test.
  • Kiến trúc mạng gồm 5 lớp: lớp đầu vào tuần tự (Sequential), 2 lớp LSTM (kết nối qua input_shape), lớp chống học tủ ngẫu nhiên Dropout và lớp đầu ra Dense 1 chiều.
  • Sử dụng thuật toán tối ưu hóa Adam và hàm mất mát sai số tuyệt đối trung bình (MAE).

Chương 3: Đánh giá thực trạng và đề xuất một số giải pháp nâng cao hiệu quả giá chứng khoán

Chương 3 tổng kết các phát hiện thực nghiệm và đề xuất hệ thống giải pháp:

• Đánh giá khả năng bám sát xu hướng tăng/giảm của các mô hình trên tập dữ liệu kiểm thử.
• Đề xuất 8 nhóm giải pháp đồng bộ phát triển thị trường và nâng cao vị thế SSI:
  1. Hoàn thiện khung pháp lý cho TTCK và hoạt động quản trị tại SSI.
  2. Mở rộng và chuyên nghiệp hóa hoạt động bảo lãnh phát hành, tư vấn tài chính doanh nghiệp.
  3. Phát triển các sản phẩm và dịch vụ tài chính mới đáp ứng nhu cầu giao dịch đa dạng.
  4. Thu hút dòng vốn từ các tài khoản nhà đầu tư nước ngoài (NĐTNN).
  5. Tăng cường khối lượng và nâng cao chất lượng nguồn cung hàng hóa niêm yết.
  6. Đa dạng hóa cơ cấu nhà đầu tư, giảm tỷ trọng phụ thuộc tâm lý cá nhân.
  7. Hiện đại hóa hạ tầng công nghệ thông tin, tối ưu hóa hệ thống giao dịch và cải cách thủ tục hành chính.
  8. Chuẩn hóa và nâng cao chất lượng nguồn nhân lực phân tích dữ liệu và quản trị rủi ro.

---

Kết quả và đóng góp

Khóa luận cung cấp các kết quả thực nghiệm định lượng rõ ràng đối với bài toán dự báo giá chuỗi thời gian của mã SSI:

Tiêu chí kỹ thuật / Chỉ số	Mô hình Hồi quy tuyến tính	Mô hình Mạng nơ-ron LSTM
Quy mô tập huấn luyện / kiểm thử	Tỷ lệ 70% Train - 30% Test	1.000 mẫu Train - 1.000 mẫu Test
Phương pháp chuẩn hóa	StandardScaler	MinMaxScaler
Đặc trưng đầu vào (Input)	Các biến định lượng phiên (Open, High, Low, Volume)	Chuỗi trượt 50 ngày giá đóng cửa liên tiếp
Hệ số phù hợp ($R^2$ / Fit rate)	$R^2 = 1$	Độ phù hợp tập Train đạt $99,21%$
Sai số dự báo (Error metrics)	$\text{RMSE} = 0.21$; Hệ số chặn $= 13$	$\text{MAE} = 0.713$; $\text{MAPE} \approx 3%$
Khả năng dự báo xu hướng	Bám sát giá trị thực tế theo phiên	Dự đoán chính xác các nhịp tăng/giảm chu kỳ

Đóng góp chính của khóa luận:

• Xây dựng hoàn chỉnh đường ống (pipeline) xử lý dữ liệu tài chính từ bước tiền xử lý, chuẩn hóa, tạo cửa sổ trượt chuỗi thời gian đến huấn luyện mô hình trên Python.
• Kiểm chứng thực nghiệm tính khả thi và độ chính xác của mô hình học sâu LSTM trên dữ liệu thị trường chứng khoán Việt Nam qua trường hợp cụ thể của cổ phiếu SSI giai đoạn 2012 - 2022.
• Đóng góp hệ thống giải pháp gắn liền giữa năng lực phân tích công nghệ thông tin với hoạt động tư vấn đầu tư và quản trị thị trường.

---

Hạn chế và hướng nghiên cứu tiếp

Khóa luận ghi nhận các giới hạn kỹ thuật và phạm vi nghiên cứu:

• Giới hạn biến số: Mô hình chỉ dựa trên chuỗi giá và khối lượng giao dịch kỹ thuật nội tại của SSI, chưa tích hợp các biến số kinh tế vĩ mô ngoại sinh (lãi suất, lạm phát, tỷ giá) cũng như dữ liệu phi cấu trúc (tin tức truyền thông, tâm lý mạng xã hội).
• Quy mô phân chia mẫu: Phương pháp phân chia tập dữ liệu ở mô hình LSTM (1.000 mẫu train và 1.000 mẫu test) chưa tận dụng tối đa toàn bộ 2.493 quan sát có sẵn trong bộ dữ liệu.
• Độ phức tạp thuật toán: Mạng LSTM có cấu trúc tính toán phức tạp, đòi hỏi thời gian huấn luyện lâu hơn so với các mô hình truyền thống và tiềm ẩn độ trễ khi áp dụng vào môi trường giao dịch thời gian thực (real-time).

Hướng nghiên cứu mở rộng:

• Thử nghiệm các kiến trúc mạng học sâu biến thể nâng cao như Bi-LSTM (LSTM hai chiều) hoặc GRU (Gated Recurrent Unit) để tối ưu thời gian tính toán.
• Kết hợp mô hình xử lý ngôn ngữ tự nhiên (NLP) phân tích sắc thái cảm xúc từ báo chí và diễn đàn tài chính để bổ sung trọng số định tính vào mô hình dự báo lượng hóa.

---

Giá trị tham khảo

• Đối tượng thụ hưởng:
  • Sinh viên và học viên chuyên ngành Kinh tế số, Phân tích dữ liệu kinh tế - kinh doanh, Tài chính định lượng (Quantitative Finance) và Hệ thống thông tin quản lý.
  • Các chuyên viên nghiên cứu phân tích dữ liệu, chuyên viên môi giới và nhà đầu tư cá nhân trên thị trường chứng khoán.
• Nội dung tham khảo trọng tâm:
  • Quy trình xử lý dữ liệu chuỗi thời gian chứng khoán bằng các hàm StandardScaler, MinMaxScaler.
  • Cấu trúc thiết lập tham số cho mô hình LSTM (Sequential, 2 lớp LSTM, Dropout, Adam optimizer) trong bài toán hồi quy chuỗi thời gian 50 ngày.

---

Câu hỏi thường gặp

1. Bộ dữ liệu nghiên cứu cổ phiếu SSI được thu thập từ nguồn nào và có quy mô ra sao?
Dữ liệu được trích xuất từ nguồn trang Cổ phiếu 68, bao gồm 2.493 bản ghi giao dịch trong khoảng thời gian 10 năm từ ngày 01/12/2012 đến ngày 01/12/2022, chứa 6 trường thông tin không có giá trị khuyết thiếu.

2. Cấu trúc mạng LSTM được tác giả thiết lập như thế nào trong bài toán thực nghiệm?
Mạng LSTM gồm 5 lớp chức năng: 1 lớp đầu vào tuần tự Sequential, 2 lớp ẩn LSTM tiếp nhận đầu vào theo hình dạng input_shape của chuỗi trượt 50 ngày, 1 lớp Dropout ngẫu nhiên để chống học tủ (overfitting) và 1 lớp Dense đầu ra một chiều để dự báo giá trị đơn lẻ; sử dụng hàm mất mát MAE và bộ tối ưu hóa Adam.

3. Hiệu quả dự báo định lượng của mô hình Hồi quy tuyến tính và LSTM đạt các chỉ số cụ thể nào?
Mô hình Hồi quy tuyến tính đạt hệ số xác định $R^2 = 1$ trên tập kiểm thử với $\text{RMSE} = 0.21$. Mô hình LSTM đạt độ phù hợp tập huấn luyện $99,21%$, sai số tuyệt đối trung bình $\text{MAE} = 0.713$ và phần trăm sai số tuyệt đối trung bình $\text{MAPE}$ vào khoảng $3%$.

4. Đặc điểm cơ cấu nhà đầu tư cá nhân tại Việt Nam ảnh hưởng thế nào đến thị trường theo phân tích của tác giả?
Nhà đầu tư cá nhân chiếm tới 80% giá trị giao dịch và sở hữu 33% trái phiếu doanh nghiệp, thường có xu hướng ra quyết định theo tâm lý đám đông và tin đồn; khi kết hợp với tỷ lệ đòn bẩy tài chính cao sẽ tạo ra vòng xoáy bán giải chấp khiến giá cổ phiếu biến động mạnh.

5. Mức giá đóng cửa cao nhất trong lịch sử của cổ phiếu SSI được văn bản ghi nhận là bao nhiêu?
Cổ phiếu SSI đạt mức giá đỉnh cao nhất là 50.000 đồng/cổ phiếu vào ngày 30/11/2021 trước khi bước vào giai đoạn điều chỉnh sâu.

---

Kết luận

Khóa luận tốt nghiệp của sinh viên Nguyễn Ngọc Thy đã xây dựng thành công quy trình ứng dụng ngôn ngữ Python vào bài toán phân tích và dự báo giá cổ phiếu của Công ty Cổ phần Chứng khoán SSI giai đoạn 2012 - 2022. Thông qua các thuật toán Hồi quy tuyến tính và mạng nơ-ron hồi quy LSTM với chuỗi trượt 50 ngày, nghiên cứu đã chứng minh hiệu quả định lượng rõ rệt với độ phù hợp mô hình đạt trên 99% và sai số thấp. Công trình cung cấp một tài liệu tham khảo có giá trị thực tiễn cao cho lĩnh vực kinh tế số và phân tích dữ liệu tài chính tại Việt Nam.

Trích đoạn nội dung tài liệu

CHƯƠNG 1: CƠ SỞ LÍ THUYẾT CỦA ĐỀ TÀI NGHIÊN CỨU 1. Những vấn đề cơ bản về chứng khoán 1. Khái niệm chứng khoán Theo định nghĩa trong luật Chứng khoán, chứng khoán là 1 loại tài sản gồm cổ phiếu, chứng chỉ quỹ, chứng khoán phái sinh, trái phiếu, chứng quyền có đảm bảo, quyền mua cổ phần, chứng chỉ lưu ký. Những loại tài sản này có điểm chung là một bằng chứng xác nhận sở hữu hợp pháp của người sở hữu (gọi chung là nhà đầu tư) với tài sản của doanh nghiệp hoặc tổ chức phát hành.

Đối với mỗi loại chứng khoán thường có các tính chất sau: - Tính sinh lời: người sở hữu được nhận cổ tức, lãi suất. - Tính thanh khoản: cho phép người sở hữu chứng khoán có thể chuyển giao (bán) chứng khoán để nhận về một khoản tiền. - Tính rủi ro: phát sinh từ hoạt động đầu tư, có liên quan đến ảnh hưởng của tính sinh lời và thanh khoản của chứng khoán. Phân loại chứng khoán Điều 4 Luật Chứng khoán 2019 chỉ ra cách phân loại chứng khoán mới nhất.

Cụ thể, các loại tài sản là chứng khoán được quy định như sau: - Cổ phiếu là loại chứng khoán xác nhận quyền và lợi ích hợp pháp của người sở hữu đối với một phần vốn cổ phần của tổ chức phát hành. - Trái phiếu là loại chứng khoán xác nhận quyền và lợi ích hợp pháp của người sở hữu đối với 1 phần nợ của tổ chức phát hành. - Chứng chỉ quỹ là loại chứng khoán xác nhận quyền sở hữu của nhà đầu tư đối với 1 phần vốn góp của quỹ đầu tư chứng khoán. - Chứng quyền là loại chứng khoán được phát hành cùng với việc phát hành trái phiếu hoặc cổ phiếu ưu đãi, cho phép người sở hữu chứng quyền được quyền 7 mua một số cổ phiếu phổ thông nhất định theo mức giá đã được xác định trước trong khoảng thời gian xác định.

- Chứng quyền có bảo đảm là loại chứng khoán có tài sản bảo đảm do công ty chứng khoán phát hành, cho phép người sở hữu được quyền mua (chứng quyền mua) hoặc được quyền bán (chứng quyền bán) chứng khoán cơ sở với tổ chức phát hành chứng quyền có bảo đảm đó theo mức giá đã được xác định trước, tại một thời điểm hoặc trước một thời điểm đã được ấn định hoặc nhận khoản tiền chênh lệch giữa giá thực hiện và giá chứng khoán cơ sở tại thời điểm thực hiện. - Quyền mua cổ phần là loại chứng khoán do công ty cổ phần phát hành nhằm mang lại cho cổ đông hiện hữu quyền được mua cổ phần mới theo điều kiện đã được xác định. - Chứng chỉ lưu ký là loại chứng khoán được phát hành trên cơ sở chứng khoán của tổ chức được thành lập và hoạt động hợp pháp tại Việt Nam. - Chứng khoán phái sinh là công cụ tài chính dưới dạng hợp đồng, bao gồm hợp đồng quyền chọn, hợp đồng tương lai, hợp đồng kỳ hạn, trong đó xác nhận quyền, nghĩa vụ của các bên đối với việc thanh toán tiền, chuyển giao số lượng tài sản cơ sở nhất định theo mức giá đã được xác định trong khoảng thời gian hoặc vào ngày đã xác định trong tương lai.

Tổng quan về thị trường chứng khoán 1. Khái niệm thị trường chứng khoán Thị trường chứng khoán là nơi diễn ra các giao dịch mua bán trao đổi các loại chứng khoán. Các quan hệ mua bán trao đổi này làm thay đổi chủ sở hữu của chứng khoán, và như vậy, thực chất đây là quá trình vận động của tư bản chuyển từ tư bản sở hữu sang tư bản kinh doanh.